Questão de Engenharia de Software — Conceitos Básicos em Engenharia de Software — FGV 2024

Algoritmos de Clustering: K-means vs DBSCAN

Gabarito: letra E. A sequência correta é 1 – 2 – 2 – 1. O K-means exige a definição prévia do número de clusters (K) e utiliza centróides e distâncias para agrupar dados. Já o DBSCAN é robusto a outliers (que ficam em regiões de baixa densidade) e requer os parâmetros de número mínimo de vizinhos e raio de vizinhança (epsilon).

A banca cobra a distinção entre esses dois algoritmos populares de agrupamento. Ambos são não supervisionados, mas diferem em requisitos e comportamento. Abaixo, a análise de cada característica:

• ( ) Precisa da definição de um número inicial de agrupamentos. → K-means (1). O K-means exige que o usuário informe o número de clusters (K) antes da execução. O DBSCAN descobre clusters automaticamente com base na densidade.

• ( ) Mais robusto à ocorrência de outliers, por sua provável localização em regiões de baixa densidade de dados. → DBSCAN (2). O DBSCAN identifica outliers como pontos de ruído em áreas de baixa densidade, não os forçando a pertencer a nenhum cluster. O K-means é sensível a outliers, pois eles podem distorcer os centróides.

• ( ) Precisa da definição do número mínimo de vizinhos e do raio da vizinhança para determinar limites dos agrupamentos. → DBSCAN (2). O DBSCAN usa os parâmetros minPts (número mínimo de vizinhos) e epsilon (raio da vizinhança) para definir regiões densas e formar clusters.

• ( ) Determina centróides dos agrupamentos e agrupa as instâncias de dados em função de uma métrica de distância entre as instâncias e os centróides. → K-means (1). O K-means calcula centróides (médias) e atribui cada ponto ao centróide mais próximo, usando distância euclidiana (ou outra métrica).

A sequência, portanto, é: 1 – 2 – 2 – 1, correspondente à alternativa E.

Gabarito: letra E.